Línea base basada en PyTorch y canalización de clasificación de imágenes para la detección de enfermedades en cultivos.
Línea base de la competición AI Challenger 2018 actualizada para PyTorch 2.x con cambio automático de dispositivo y AMP.
Este repositorio proporciona una canalización completa en PyTorch para clasificar enfermedades de plantas a partir de imágenes de hojas de alta resolución. Está dirigido a profesionales del aprendizaje automático y científicos de datos agrícolas que buscan un modelo base construido sobre ResNet50.
Procesa imágenes de cultivos de 650x650 a través de una arquitectura ResNet50 modificada, gestiona la división estratificada de conjuntos de datos y admite tanto aumentos de datos en línea como preprocesamiento opcional fuera de línea. La canalización incluye cambio automático de CPU/GPU, entrenamiento de precisión mixta y una implementación corregida de FocalLoss para gestionar desequilibrios de clases.
Es adecuado para desarrolladores e investigadores con experiencia en PyTorch que necesitan una línea base estructurada para tareas de clasificación de imágenes agrícolas. No es adecuado para agrónomos sin perfil técnico que busquen una aplicación móvil lista para usar o una interfaz web plug-and-play.
Utiliza una red ResNet50 preentrenada adaptada con una capa de agrupación promedio adaptativa y una cabeza de clasificación de 59 clases.
Permite entrenamiento automático con precisión mixta en dispositivos CUDA para reducir el consumo de memoria y acelerar la ejecución.
Incluye scripts para fusionar y dividir conjuntos de entrenamiento y validación utilizando lógica de K-folds estratificados mientras gestiona clases anómalas.
Proporciona una implementación fija de FocalLoss con modulación adecuada por muestra para reemplazar la entropía cruzada estándar.
Gratuito debido a su naturaleza de open source, aunque el README no especifica una licencia formal. El único coste es ejecutarlo por cuenta propia en hardware propio o instancia en la nube.
877 puestos remotos abiertos de entrenamiento de IA, actualizados el 16 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Estas herramientas de IA evaluadas hacen el mismo trabajo al instante — de nuestro directorio puntuado.
Se recomienda una GPU compatible con CUDA con suficiente VRAM debido al tamaño de imagen de 650x650, aunque el código recurre automáticamente a la CPU si no se detecta ninguna GPU.
El script de preparación elimina clases anómalas específicas y desplaza los índices, mientras que la canalización de pruebas mapea automáticamente las predicciones de vuelta a los identificadores oficiales originales.
Ve Zekai primero en Google